DATU GRUPANA 3 vairku atbilu permutcijas metode MRPP
DATU GRUPĒŠANA 3) vairāku atbilžu permutācijas metode MRPP (Multi-response Permutation Procedures) Praktiskā ekoloģija, Līga Strazdiņa Botānikas un ekoloģijas katedra
MĒRĶIS pārbaudīt hipotēzi, ka nepastāv atšķirības starp divām vairākām sugu/parauglaukumu grupām. JĒGA salīdzināt, vai sugu sastāvs būtiski atšķiras iepriekš definētās grupās (piem. , dedzināta/nededzināta pļava; māla/smilšakmens/grants substrāts; lapukoku/skujkoku mežaudze; . . . ). REZULTĀTS rezultātu tabula ar vairākiem statistiskajiem rādītājiem.
METODES DARBĪBAS PRINCIPI 1) aprēķina attālumu jeb līdzīgumu/atšķirību starp pētāmajām grupām. (ja datu analīzē izmanto vairākas metodes, piem. , ordināciju vai klāsteru analīzi, ieteicams izvēlēties vienotu attāluma mērīšanu) 2) katrai grupai atsevišķi aprēķina vidējo aritmētisko attālumu un tā svērto vidējo jeb delta δ. 3) salīdzina aprēķināto δ vērtību ar iespējamo δ, ko iegūtu no visām citām iespējamām datu kombinācijām jeb permutācijām. 4) pārbauda nulles hipotēzi, ka nepastāv atšķirība starp abām δ vērtībām. http: //www. fort. usgs. gov/Products/Publications/10002/mrpp. htm
BRĪDINĀJUMS grupu klasificēšanai nepieciešami kategoriju dati, piemēram, vides izmaiņas, eksperimenta metodes, mērķsugu klātesamība/neesamība vai biotopu tipi topogrāfija kukaiņu lamatas meža tips substrāts kategorija nogāze Bārbera sils māls 1 ieplaka entomol. tīkliņš mētrājs grants 2 . . . . parauglaukumu kolonnu ar kategoriju vērtībām novieto Main matrix beigās vai izveido atsevišķu Second matrix. Kolonnas augšpusē Q vietā raksta C. PAPILDU IESTATĪJUMI ja kāda no pētāmajām grupām nepietiekama apjoma vai kāda cita iemesla dēļ jāizslēdz no analīzes
REZULTĀTU INTERPRETĒŠANA datu matricas parametri izvēlētie analīzes iestatījumi grupas parametri: apjoms, saturs, vidējais attālums statistiskie rādītāji
REZULTĀTU INTERPRETĒŠANA T - atšķirība starp aprēķināto δ un iespējamo δ vērtību. Norāda uz grupu dažādību – jo T negatīvāks, jo atšķirīgākas grupas. A – norāda uz grupas iekšējo objektu homogenitāti. Ja visi objekti identiski, vērtība 1. p – varbūtība, ka aprēķinātā δ ir mazākā no visām iespējamām δ vērtībām
DATU GRUPĒŠANA 4) indikatorsugu analīze
MĒRĶIS noteikt un raksturot sugu indikatorvērtību iepriekš definētās grupās. JĒGA sugu sabiedrību datu analīzē atrast atsevišķas sugas, kas īpaši bieži raksturīgas konkrētās grupās. Grupu atšķirību/līdzību iepriekš novērtē ar MRPP. REZULTĀTS rezultātu tabula ar sugu indikatorvērtībām.
METODES DARBĪBAS PRINCIPI 1) datu kopu veido vismaz divas iepriekš definētas paraugu grupas ar sugu bagātības vai sastopamības vērtībām katrā paraugā/parauglaukumā. 2) katrai sugai visos paraugos aprēķina proporcionālo bagātību un proporcionālo frekvenci katrā grupā. 3) no iepriekš aprēķinātajām vērtībām katrai sugai noskaidro indikatorvērtību visās grupās un nosaka, kurā grupā tā ir visaugstākā. Indikatorvērtība variē no 0 (nav indikācijas) līdz 100 (perfekta indikācija). 4) ar Monte Karlo metodi noskaidro sugu indikatorvērtības būtiskumu.
METODES IESTATĪJUMI ja no analīzes jāizslēdz kāda grupa Monte Karlo tests sugas indikatorvērtības būtiskuma pārbaudīšanai
REZULTĀTU INTERPRETĒŠANA datu matricas parametri un izvēlētie analīzes iestatījumi pētāmo grupu skaits un lielums sugas % relatīvā bagātība katrā grupā un norāde par max vērtību
REZULTĀTU INTERPRETĒŠANA
REZULTĀTU INTERPRETĒŠANA sugas % relatīvā frekvence katrā grupā un norāde par max vērtību sugas indikatorvērtība katrā grupā un norāde par max vērtību
REZULTĀTU INTERPRETĒŠANA sugas max indikatorvērtības būtiskums pēc Monte Karlo metodes. apskata sugas, kurām p<0. 05. jāņem vērā, cik bieži suga konstatēta.
- Slides: 14